Traitement d'images pour la télédétection

0. Rappels: réflectance, rayonnement, éléments de photo-interprétation
1. Image numérique: mode d'acquisition, capteurs, résolutions, indices de télédétection
2. Filtrage d'images: convolution, transformée de Fourier, filtres gradient, Laplacien, médian, morphologie mathématique
3. Statistiques sur les images: mode, histogramme, seuillage, étalement, égalisation
4. Classification supervisée d'images pour la télédétection: bases du machine learning, algorithmes (K-plus proches voisins, arbres de décisions, random forest, classification bayésienne, perceptron multi-couches, réseau de neurones convolutionnel)
5. Classification auto-supervisée d'images pour la télédétection: algorithmes (K-means), principe de la segmentation d'images

- Savoir interpréter une image de télédétection, connaître son mode d'acquisition, sa géométrie et les éléments et phénomènes (géo-)(bio-)physiques qui la composent
- Être capable de trouver la bonne donnée image pour une application de télédétection donnée (exemple: suivi de l'étalement urbain, suivi des feux de forêt) et/ou pour une méthodologie particulière (exemple: détection de changement, segmentation d'image, classification auto-supervisée) 
- Acquérir la connaissance du principe de chaîne de traitement d'images de télédétection (prétraitements, traitements, analyse, évaluation et interprétation des résultats) 
- Maîtriser les principales bases techniques de développement d'une chaîne de traitement d'images de télédétection avec le langage Python et des outils open-source dédiées de traitement d'images/SIG (QGIS, Orfeo ToolBox)

Les différents types de coordonnées et la notion de système géodésique
Notions de base en probabilités et statistiques: variable aléatoire, fonction de distribution, espérance, variance.